Estrategia De Negociación De Alta Frecuencia Pdf

Opciones de opciones binarias: opciones de divisas, opciones de compra, opciones de índice Opciones de productos básicos - opcionesHaga clic en OpcionesHaga clic en. Por qué el comercio de alta frecuencia está aquí para quedarse Philip Porado y Sara Tatelman Investments Usted puede simplemente imaginar mandíbulas de sangre azul del siglo 19 cayendo cuando los comerciantes de valores Supuestamente comenzó la práctica de enviar corredores a través de los pisos de intercambio para hacer ofertas y ofertas. Pero la desaprobación no detuvo a esos comerciantes de practicar sus sprints del viento o de emplear a estrellas de la pista de la secundaria para hacer el funcionamiento para ellos. El tiempo siempre ha sido dinero. Más tarde ese mismo siglo, los quejumbrosas se burlaban de las empresas que empleaban el nuevo telégrafo para ordenar. Y el siglo 20 vio descontento con la forma en que los teléfonos y las computadoras cambiaron el negocio distinguido de intercambiar acciones. El comercio de alta frecuencia es hoy el equivalente de competir con el correo, y aunque la evidencia demuestra que beneficia injustamente a inversores más grandes, los expertos dicen que está aquí para quedarse. En diciembre, la Organización Reguladora de la Industria de Inversiones de Canadá añadió más forraje al debate con la publicación de un estudio que no reveló preocupaciones que justifiquen una respuesta regulatoria adicional. Lo más probable es que cuando alguien menciona el comercio de alta frecuencia, las cosas malas saltar a la mente: los comerciantes pícaros, un nivel inquietante de la inversión por grandes wirehouses en la tecnología de nanosecond comercio y veces inexplicable bursátil se sumerge que suceden cuando los algoritmos no funcionan. El último boom tecnológico en Wall Street, Bay Street y Londres, Inglaterra, recibió su parte de mala prensa después de la Flash Crash en 2010, un evento desencadenado por una sola compañía de fondos mutuos que vende contratos E-Mini S P 500. El accidente de Flash implicó el comercio agresivo de posiciones de futuros largos acumuladas por los comerciantes de alta frecuencia del fondo mutuo, ya que compró y vendió grandes volúmenes a velocidades de rayo y utiliza algoritmos elaborados que les permiten ganar dinero en cambios de precios menores. Esa actividad hizo que el Dow Jones Industrial Average bajara mil puntos (la segunda mayor caída intradía de la historia del mercado bursátil) antes de recuperarse varios minutos después. Aquellos que no tienen acceso a la tecnología más rápida y mejor, consideran que tales prácticas comerciales son depredadoras. Y mucho del algoritmo que negocia posiblemente cortocircuitos el propósito original de los mercados de capital, que es traer fondos a las compañías que los necesitan crecer. Luego hay cita de relleno, un proceso por el cual los comerciantes tapan millones de ofertas y ofertas en un montaje comercial sólo para cancelarlos momentos más tarde. La práctica está diseñada para distraer a otros participantes del mercado añadiendo información extraña al flujo de datos y dificultando el logro de decisiones correctas. Impulso de liquidez Sin embargo, a pesar de las críticas, el comercio de alta frecuencia como un todo proporciona valiosa liquidez al mercado. Vemos beneficios para el mercado en forma de márgenes reducidos, dice Kevin Sampson, vicepresidente de desarrollo de negocios y estrategia de TMX. En última instancia, los inversores están obteniendo mejores precios. Nuestros mercados son probablemente tan eficientes, o más eficientes, ahora que nunca. Señala que los inversionistas a veces deben pagar costos más altos debido a la actividad de negociación de alta frecuencia, pero sugiere que esos desafíos siempre existirán. Ryan Riordan, profesor de negocios de la Universidad Queen's, expresa una opinión similar. No tenemos pruebas de que los HFTs desestabilicen el mercado, dice. Su investigación encontró que las transacciones de alta frecuencia pueden ser buenas para proporcionar liquidez a los mercados, por lo general, reduciendo el spread bid-ask. Eso, a su vez, reduce los costos de operación, excepto cuando los comerciantes de alta frecuencia venden a corto plazo. Encontramos que son grandes para la liquidez cuando usted está sometiendo la orden, él dice. Hallazgos de la OCRMV sobre HFT En diciembre, la Organización Reguladora de la Industria de Inversiones de Canadá publicó un estudio sobre comercio de alta frecuencia. HFTs proporcionan generalmente más liquidez la provisión de liquidez de HFT puede ser perceptiblemente más baja cuando un comercio grande representa un porcentaje más alto de lo normal de todo el volumen de comercio en el día HFTs contribuye substancialmente al descubrimiento de precio la mayoría de los pedidos pasivos entrados por HFT o bien El mejor precio o coinciden con los mejores precios que prevalecen hay poca evidencia de que HFTs tomar ventaja de no-HFTs más lento o de primera línea no HFTs. Los resultados del estudio no revelaron preocupaciones que justifiquen una respuesta regulatoria más allá de las medidas ya implementadas por la OCRMMO e indican que la presencia de HFT tiene diferentes impactos en los mercados de renta variable canadienses y aquellos que invierten en esos mercados, dijo la OCRVI al anunciar los resultados de El estudio el 9 de diciembre. Cuando deja de presentar la orden, la liquidez se cierra. Pero esa ventaja no hace mucho para los inversionistas institucionales, dice Robert Young, ex director ejecutivo de Liquidnet. La liquidez que agrega HFT no ayuda realmente a los inversores institucionales, dice Young, quien recientemente se retiró de Liquidnet. Más bien, añade, la OCRMV ha encontrado que los comerciantes de alta frecuencia se convierten en competencia cuando los inversores institucionales comienzan a hacer un gran comercio a medida que entran en el modo de compra. El resultado es que menos stock está disponible a medida que aumenta la demanda, lo que afecta el precio. Si alguien descubre que alguien está comprando mucho, comienza a comprar porque sabe que los precios subirán, dice, señalando que los comerciantes de alta frecuencia tienden a ser más ágiles. Y las fluctuaciones de precios a pequeña escala, incluso las tan pequeñas como un centavo, pero repetidas muchas veces, tienen un mayor impacto en cualquier persona haciendo grandes operaciones. Cuando se multiplica, es suficiente para separar a la 25-mejor intérprete de la 26-mejor intérprete, dice Young. Es muy importante para ellos no perder ese centavo. Con prácticas como el relleno de citas y la venta de acceso temprano a la información, no es ninguna sorpresa que los comerciantes de ambos lados de la frontera están buscando maneras de hacer el comercio de alta frecuencia más justo. Algunos han sugerido una especie de golpe de velocidad electrónico para nivelar el campo de juego. Y como señala Young, la OCRMV ha tomado algunas medidas al asignar ciertos costos a los comerciantes de alta frecuencia por el volumen de mensajes adicionales que generan sus actividades. Además, los interesados ​​en la práctica de la restauración de comerciantes anónimos han ofrecido sugerencias para la iluminación de llamados piscinas oscuras, donde las transacciones tienen lugar entre las partes que deseen comprar o vender grandes bloques de acciones de los montajes de cotización de mercado importante. En Canadá, Young dice que el OCRMV ha estudiado las oscuras piscinas en los Estados Unidos y determinó que no son apropiadas aquí. Previnieron el crecimiento de pequeñas piscinas oscuras, lo que habría sido una mala cosa, dice. Y lo que es más importante, cuando se trata de inversores institucionales, a Young le gustaría ver cierta flexibilidad para permitir que las operaciones en bloque ocurrieran fuera de los cambios de precios temporales causados ​​por el comercio de alta frecuencia. Debería haber cierta flexibilidad en las reglas sobre las operaciones en bloque, agrega, y añadió que una fusión de al menos algún grado de los reguladores de valores de Canadá también ayudaría a fortalecer su capacidad para contrarrestar la influencia de los grandes comerciantes de alta frecuencia. Creación de equidad Algunos intercambios en Canadá y Estados Unidos, por su parte, han ido por otra vía: crear sus propios sistemas de negociación obligados por normas estrictas y tarifas más altas. IEX Group Inc., un corredor de bolsa con sede en Estados Unidos, es un sistema de comercio alternativo basado en suscripción financiado exclusivamente por un grupo de fondos mutuos, fondos de cobertura, oficinas familiares y particulares. Fundada por Markham, Ont. El nativo Brad Katsuyama, ha creado una infraestructura destinada a proteger las órdenes del comercio depredador, una subclase de comercio de alta frecuencia, que intenta identificar y desventajar el flujo tradicional de los pedidos de los inversores. A pesar de la reputación que ha ganado HFT, hay muchas estrategias HFT, que proporcionan un valioso servicio al mercado. El comercio depredador no es uno de ellos. Y nuestro plan es detenerlo, según documentos de IEX. Con el lanzamiento el año pasado de Aequitas Neo Exchange, un nuevo intercambio cuyo nombre significa equidad y que señala un objetivo para abordar las urgentes cuestiones de mercado de equidad, liquidez y transparencia que impactan la confianza de los inversores, los inversores tendrán otra alternativa. El presidente y director ejecutivo de Aequitas, Jos Schmitt, considera a Aequitas como una alternativa a otras bolsas canadienses, que, en su opinión, nunca abordará el comercio predador de alta frecuencia. Los mercados establecidos consideran los clientes HFT como un volumen. Para ellos, es un gran fabricante de dinero. Dice que Aequitas no está en contra del comercio de alta frecuencia, pero señala que su objetivo es implementar una serie de soluciones tecnológicas y de estructura de mercado para restablecer la igualdad de condiciones entre los participantes del mercado que tienen una ventaja informativa y los que no. En equilibrio, dice Mark Yamada, presidente de P R Investing Inc. el mercado hace un buen trabajo de gestión de la discrepancia de precios. Para mí, HFT es sólo una forma tecnológica más avanzada de eso, dice. Se puede abusar un poco, pero como digo, en conjunto, arbitra las discrepancias entre los mercados. Un campo de juego nivelado es una buena cosa. Deja que el más fuerte sobreviva, deja que el más débil muera. Los inversionistas más pequeños afilaron el comercio de acciones de alta frecuencia ha conseguido un mal golpe para los inversionistas más pequeños del borde que los sin los fondos para pagar negociaciones súper rápidas fuera de los mercados. Los perdedores son probablemente los corredores tradicionales, la gente que solía hacer una matanza, dice Ryan Riordan, un profesor de negocios en la Universidad de Queen. Solían suministrar la liquidez. Ahora, HFT está tomando la parte más fácil de su negocio. Y, dice, los altos costos de la tecnología son también una barrera para una adopción más amplia. Hay productos que me gustaría desarrollar más rápidamente para mis clientes que no puedo porque el TMX me está obligando a actualizar mis sistemas de comercio, dice Doug Clark, director gerente de ITG Canadá, miembro del consorcio Aequitas. Es una demanda constante de la tecnología del mercado, y en ningún momento un regulador ha dicho, Esto es demasiado para los distribuidores. Para el nivel medio, o los distribuidores técnicamente menos capaces, es más de lo que tienen recursos para. Por lo que realmente limita su capacidad para construir herramientas de gestión de riesgos o para mejorar sus algoritmos, por ejemplo. El presidente y presidente ejecutivo de Aequitas, Jos Schmitt, está de acuerdo en que el comercio de alta frecuencia ha tenido un impacto en el mercado. La cuestión clave es que los HFTs proporcionan liquidez a valores ya líquidos, evitando a los creadores de mercado tradicionales. Esto, combinado con la HFT predatoria, lleva a los concesionarios, inversionistas y compañías a perder confianza en el mercado. Kevin Sampson, vicepresidente de desarrollo de negocios y estrategia de TMX, reconoce que la pérdida de confianza en el mercado es una gran preocupación, pero no culpa al comercio de alta frecuencia por el accidente del 2010. Se ha demostrado a través de estudios que se han hecho en los EE. UU. que no fue predominantemente HF comerciantes que causó el desplome de Flash. Pero se remonta a la percepción, dice Sampson. El inversor acaba de tener esta sensación de que algo no parece correcto o no está funcionando correctamente. Esto influye en el grado en que participan en los mercados. De hecho, muchos observadores del mercado apuntan a lo que llaman una práctica perturbadora en la que algunos grupos de reflexión y universidades estaban vendiendo a comerciantes de alta frecuencia acceso anticipado a encuestas de consumidores y otra información. La protesta contra la práctica, que supuestamente dio a los comerciantes con acceso ultra rápido una ventaja, dio lugar a la oficina del fiscal general del estado de Nueva York alcanzando un acuerdo con Thomson Reuters en 2013 para dejar de vender los resultados de la encuesta de consumidores de la Universidad de Michigan a los comerciantes de alta frecuencia dos Segundos antes de que la información se pusiera a disposición del público. Mark Yamada, presidente de PUR Investing Inc. no se opone al comercio de alta frecuencia, pero sí acepta el cambio de política. Debe aplicarse el principio de divulgación justa y equitativa. Hacer lo contrario es como vender información privilegiada. Si Thomson Reuters pone todos los datos a disposición de todos al mismo tiempo, es difícil objetar. Obtener un PDF de este artículo. Con archivos de Dean DiSpalatro, Jessica Bruno, Katie Keir, Glenn Kauth y Anna Sharratt. Philip Porado es director de contenido para el grupo de servicios financieros, incluyendo Benefits Canada. Sara Tatelman es redactora asociada de Canadian Insurance Top Broker. Este artículo apareció originalmente en Riesgo Corporativo Canadá. Algoritmos en línea en el comercio de alta frecuencia Los desafíos que enfrentan los algoritmos HFT competidores Jacob Loveless, Sasha Stoikov y Rolf Waeber HFT (comercio de alta frecuencia) ha surgido como una fuerza poderosa en los mercados financieros modernos. Hace sólo 20 años, la mayor parte del volumen de operaciones se produjo en bolsas como la Bolsa de Valores de Nueva York, donde los seres humanos vestidos con trajes de colores brillantes gesticularían y gritarían sus intenciones comerciales. Hoy en día, el comercio se produce principalmente en servidores electrónicos en centros de datos, donde las computadoras comunican sus intenciones comerciales a través de mensajes de red. Esta transición de los intercambios físicos a las plataformas electrónicas ha sido particularmente rentable para las empresas de HFT, que invirtieron fuertemente en la infraestructura de este nuevo entorno. Aunque el aspecto del lugar y sus participantes ha cambiado drásticamente, el objetivo de todos los comerciantes, ya sean electrónicos o humanos, sigue siendo el mismo: comprar un activo de un lugar / comerciante y venderlo a otro lugar / comerciante por un precio más alto. La diferencia determinante entre un operador humano y un HFT es que éste último puede reaccionar más rápido, con más frecuencia y tiene períodos de retención de cartera muy cortos. Un algoritmo HFT típico opera en la escala de tiempo de sub-milisegundo, donde los comerciantes humanos no pueden competir, ya que el parpadeo de un ojo humano dura aproximadamente 300 milisegundos. Como los algoritmos HFT compiten entre sí, se enfrentan a dos desafíos: Reciben grandes cantidades de datos cada microsegundo. Deben ser capaces de actuar extremadamente rápido sobre los datos recibidos, ya que la rentabilidad de las señales que están observando decae muy rápidamente. Los algoritmos en línea proporcionan una clase natural de algoritmos adecuados para aplicaciones HFT. En un problema en línea, las nuevas variables de entrada se revelan secuencialmente. Después de cada nueva entrada el algoritmo necesita tomar una decisión por ejemplo, si o no someter un comercio. Esto está en marcado contraste con un problema fuera de línea, que supone que todos los datos de entrada están disponibles en el momento de la toma de decisiones. Muchos problemas prácticos de optimización abordados en aplicaciones informáticas y de investigación de operaciones son problemas en línea. 1 Además de resolver un problema en línea, los algoritmos HFT también necesitan reaccionar extremadamente rápido a las actualizaciones del mercado. Para garantizar un tiempo de reacción rápido, el manejo eficiente de la memoria es una necesidad para un algoritmo de negociación en vivo. Mantener una gran cantidad de datos en la memoria reducirá la velocidad de cualquier CPU, por lo que es importante que un algoritmo utiliza sólo una cantidad mínima de datos y parámetros, que se pueden almacenar en la memoria de acceso rápido, como la caché L1. Además, estos factores deben reflejar el estado actual del mercado y deben actualizarse en tiempo real cuando se observen nuevos puntos de datos. En resumen, cuanto más pequeño sea el número de factores que se deben mantener en memoria y cuanto más simple sea el cálculo necesario para actualizar cada factor, más rápido será un algoritmo capaz de reaccionar a las actualizaciones del mercado. Basado en el requisito de velocidad y la naturaleza en línea de los problemas de HFT, la clase de algoritmos de un paso es especialmente adecuada para aplicaciones HFT. Estos algoritmos reciben un punto de datos a la vez y lo utilizan para actualizar un conjunto de factores. Después de la actualización, el punto de datos se descarta y sólo los factores actualizados se mantienen en la memoria. Pueden surgir tres problemas en los algoritmos HFT. La primera es la estimación de un promedio de liquidez que puede ser útil para un HFT al determinar el tamaño de un pedido que es probable que se ejecute con éxito en un intercambio electrónico particular. El segundo problema es una estimación de la volatilidad en curso, que puede ayudar a cuantificar el riesgo a corto plazo de una posición. El tercer problema es una regresión lineal en ejecución, la cual puede ser usada en pares comerciales de activos relacionados. Cada uno de estos problemas puede ser resuelto eficientemente usando un algoritmo one-pass en línea. En este artículo retrocedemos el rendimiento de los algoritmos de un paso en los datos de los libros de órdenes limitados para los ETF altamente líquidos (fondos negociados en bolsa) y describimos cómo calibrar estos algoritmos en la práctica. Algoritmos en línea en HFT La ventaja que HFT tiene sobre otros participantes en el mercado es la velocidad de reacción. Las empresas de HFT son capaces de ver cada acción en el mercado y reaccionar en microsegundos. Aunque algunos algoritmos HFT pueden basar sus acciones en una fuente de información fuera del mercado (por ejemplo, analizando informes de noticias, midiendo la temperatura o midiendo el sentimiento del mercado), la mayoría basan sus decisiones únicamente en los mensajes que llegan al mercado. Según algunas estimaciones, hay aproximadamente 215,000 actualizaciones de cotizaciones por segundo en la Bolsa de Valores de Nueva York. 4 El desafío para los HFTs es procesar estos datos de una manera que les permita tomar decisiones, como cuándo entrar en posiciones o reducir el riesgo. Los ejemplos utilizados en este artículo suponen que los HFT pueden observar cada actualización de los mejores precios de oferta y de oferta, incluidos los mejores tamaños de ofertas y solicitudes. Este subconjunto de información contenida en el libro de órdenes de límite se conoce a menudo como la información del libro de órdenes de Nivel-I. Los siguientes tres ejemplos de algoritmos en línea, cada uno motivado con una aplicación en HFT, se describen en detalle en este artículo: algoritmo medio en línea. Ilustrado por la construcción de un factor que predice la liquidez disponible, definida como la suma de los tamaños a la mejor oferta y la mejor pregunta, en un horizonte fijo en el futuro. Esta cantidad puede ser útil para estimar qué tamaño de orden es probable que se ejecute en las mejores cotizaciones en una latencia dada. Algoritmo de varianza en línea. Ilustrado por la construcción de un factor que predice la volatilidad realizada sobre un horizonte fijo en el futuro. Esta cantidad puede ser útil para estimar el riesgo a corto plazo de mantener el inventario. Algoritmo de regresión en línea. Ilustrado por la construcción de un factor que predice el PNL esperado (ganancias y pérdidas) de una posición de largo-corto en dos activos relacionados. Esto puede ser útil en la construcción de una señal que indica cuándo es probable que una posición larga-corta sea rentable. En los tres casos, el algoritmo tiene un solo parámetro, alfa, que controla la velocidad a la que se olvida la información antigua. La figura 1 representa la medida de liquidez bruta (tamaño de oferta más tamaño de solicitud) en azul. El rojo y el verde representan el factor de liquidez en línea, con alfa 0,9 y alfa 0,99, respectivamente. Tenga en cuenta que al acercarse alpha a un valor de 1, la señal se vuelve más suave y rastrea de manera eficiente la tendencia en los datos subyacentes. La figura 2 traza la medida de volatilidad en línea para varios valores de alfa. Una vez más, observe que la medida es más suave para un alfa mayor. Aunque un alfa mayor proporciona una señal más suave, también se queda más atrás de la tendencia subyacente, ya que da mucho peso a los datos más antiguos. Como se analiza más adelante, la elección de un valor para alfa se traduce en una compensación entre una señal suave y un menor rezago de la tendencia. Para ilustrar el algoritmo de regresión en línea, observamos la serie temporal de los precios medios de SPY y SSO, dos ETFs altamente relacionados (SSO es la versión de doble apalancamiento de SPY). Como se muestra en la figura 3, la relación entre los dos activos parece muy cercana a lineal en el curso de un día. La figura 4 representa la media en línea y la interceptación de dos valores de alfa. Algoritmos de un paso Como se indica por su nombre, un algoritmo de un paso lee cada variable de entrada exactamente una vez y luego la descarta. Este tipo de algoritmo es muy eficiente en términos de manejo de memoria, ya que requiere sólo una cantidad mínima de datos para ser almacenados en la memoria. Esta sección presenta tres ejemplos importantes de algoritmos de un paso en línea: el promedio móvil exponencial, la varianza exponencialmente ponderada y la regresión exponencialmente ponderada. La siguiente sección describe la aplicación de estos algoritmos para HFT. Primero, veamos brevemente el promedio móvil simple de una serie de tiempo. Esta es una estimación de la media de una serie de tiempo sobre una ventana móvil de un tamaño fijo. En finanzas, a menudo se utiliza para detectar tendencias en el precio, en particular comparando dos promedios móviles simples: uno sobre una ventana larga y uno sobre una ventana corta. En otra aplicación, el volumen negociado promedio durante los últimos cinco minutos puede servir como una predicción del volumen comercializado en el minuto siguiente. En contraste con el promedio móvil exponencial, el promedio móvil simple no puede ser resuelto con un algoritmo de un paso. Sea (X t) t X 0, X 1, X 2. Ser la secuencia observada de variables de entrada. En cualquier momento t queremos predecir el siguiente resultado X t 1. Para M que es,. El promedio móvil también se puede calcular a través de la siguiente recursividad: Si bien este es un algoritmo en línea, no es un algoritmo de un paso, ya que necesita acceder a cada punto de datos de entrada exactamente dos veces: una vez para agregar a la media móvil y luego Nuevamente para dejarlo fuera de la estimación de la media móvil. Tal algoritmo se conoce como un algoritmo de dos pasadas y requiere mantener una matriz completa de tamaño M en la memoria. Ejemplo 1: Promedio ponderado exponencial de un paso En contraste con el promedio regular, el promedio ponderado exponencial asigna un peso exponencialmente decreciente a observaciones más antiguas: Aquí 1. Como este promedio ponderado exponencial da más importancia a los datos más recientes comparados con puntos de datos más antiguos, A menudo se considera que es una buena aproximación de la media móvil simple. Comparado con el promedio móvil simple, el promedio ponderado exponencial toma en cuenta todos los datos anteriores, no solo las últimas M observaciones. Para comparar la media móvil simple y el promedio ponderado exponencial, la figura 5 muestra cuántos puntos de datos reciben 80, 90, 95, 99 y 99.9 por ciento del peso en la estimación en función de 0.95, entonces el último M90 observado Los puntos de datos contribuyen al 99 por ciento del valor estimado. Como advertencia, si la serie temporal (X t) t tiene colas muy pesadas, entonces el promedio suavizado exponencial podría estar dominado por una observación extrema, mientras que el promedio móvil es menos propenso a observaciones extremas ya que eventualmente caen fuera de la ventana de observación . El reinicio frecuente del procedimiento de estimación puede resolver este efecto de memoria a largo plazo del suavizado exponencial. La razón para favorecer el promedio móvil exponencial sobre la media móvil simple en HFT es que puede ser resuelto eficientemente usando un algoritmo de un paso, introducido inicialmente en Brown (1956). 3 Esta fórmula también proporciona una interpretación sencilla del parámetro como un control de cuánto peso se da a la observación más reciente, en comparación con todas las observaciones anteriores. Ejemplo 2: Varianza exponencialmente ponderada de un paso La suavización exponencial descrita en la sección anterior estima un promedio móvil de una serie temporal. En finanzas, la volatilidad de una serie de tiempo es a menudo un factor importante también. Hablando en términos generales, la volatilidad debe captar cuánto una serie de tiempo fluctúa alrededor de su media. No hay una definición ampliamente aceptada de volatilidad para los datos financieros de alta frecuencia. Esta sección considera la volatilidad como la desviación estándar (raíz cuadrada de varianza) de un punto de datos en la serie temporal (X t) t. Al igual que el promedio móvil ponderado exponencialmente de la sección anterior, se puede construir un algoritmo de un paso en línea que estima la volatilidad de la serie temporal (X t) t con un esquema de ponderación exponencial. La varianza de una variable aleatoria se define como Var (X) E X - E X) 2. La estimación de la varianza ponderada exponencial de la serie temporal requiere dos estimadores: uno que estima la media E X y uno que estima la varianza: La desviación estándar del próximo punto de medición X t 1 se estima entonces como. De nuevo, el usuario elige el parámetro de entrada (0,1) y refleja la cantidad de peso asignado a los puntos de datos más antiguos en comparación con la última entrada de datos observada. Aquí, hemos inicializado el estimador de la varianza con 1, que es una elección bastante arbitraria. Otra forma es tener un período inicial de burn-in para el cual se observa la serie de tiempo (X t) t y se puede usar un estimador de varianza estándar de la serie sobre esta ventana de tiempo de burn-in para inicializar el estimador. Por supuesto, puede utilizarse un método similar para inicializar el estimador del estimador ponderado exponencialmente. Ejemplo 3: Algoritmo de un paso para la regresión lineal ponderada exponencialmente El último ejemplo es un algoritmo de un paso en línea para el modelo de regresión lineal ponderado exponencialmente. Este modelo es similar a la regresión lineal ordinaria, pero de nuevo da más importancia (de acuerdo a una ponderación exponencial) a observaciones recientes que a observaciones más antiguas. Como ya se ha mostrado, estos métodos de regresión son muy útiles en las estrategias de HFT para estimar la relación de diferentes activos, los cuales pueden ser, por ejemplo, explotados en la creación de estrategias de negociación de pares. En este modelo consideramos una serie temporal bidimensional (X t, Y t) t y conjeturamos que las variables X e Y están relacionadas a través de una relación lineal que está corrompida por un término de ruido t con media cero. Es decir, la variable Y se denomina variable de respuesta, mientras que X se denomina variable explicativa. Para simplificar, supongamos que sólo asumen una variable explicativa, pero la extensión a varias variables explicativas es sencilla. En la aproximación offline en línea a la regresión lineal, los parámetros 1 se calibran después de observar todos los puntos de datos. Estos puntos de datos se recogen en un vector Y (Y0.Y1.Yt) T y una matriz La columna de unos en la matriz X corresponde a la intersección en la ecuación 3. Si escribimos más adelante los parámetros entonces la relación entre Y Y X se puede escribir convenientemente en notación matricial como donde es un vector de términos de ruido estocástico, y cada uno de estos términos de error tiene media cero. El método más común para estimar el parámetro se elige de tal manera que minimice la suma de los residuos cuadrados. La solución a este problema de minimización es. Al igual que en las estimaciones de media y varianza, puntos de datos más recientes deben ser más importantes para la estimación del parámetro se requiere para el cálculo rápido. Seguidamente, consideremos un método recursivo que se actualiza secuencialmente y minimiza. De nuevo, el vector del parámetro 1 V t necesita ser guardado en memoria y actualizado con un nuevo punto de datos de acuerdo con la siguiente recursión: En cuanto al estimador de media y varianza, la inicialización de La recursión se puede hacer usando un período de quemado. Finalmente, después del tiempo t. La mejor estimación de es. En la literatura este método también se llama mínimos cuadrados recursivos con el olvido exponencial. 2 Estimación de Alfa Cómo se decide el valor óptimo de alfa, el parámetro de todos estos modelos en línea? Nuestro enfoque para los tres modelos es definir una función de respuesta que pretendemos predecir y minimizar el error cuadrático entre la respuesta ri y Nuestro factor fi. Este método encuentra el alfa óptimo en una serie temporal histórica. Otro enfoque sería estimar el alpha óptimo en línea también. Esto, sin embargo, requiere más trabajo y va más allá del alcance de este artículo. Ahora proporcionamos los detalles sobre los estimadores en línea descritos y calculamos el alfa óptimo en un conjunto de datos dado. 1. El estimador de liquidez media se define como cuando el índice i representa el tiempo de cotización. La respuesta se define como la liquidez en 10 segundos: donde bs i (10) representa el tamaño de la oferta 10 segundos después de la i-ésima cita. Ejecutar una rutina de optimización sobre alpha muestra que el alfa óptimo para los datos dados es 0,97, que se muestra en la figura 6 como un diagrama de dispersión del factor y la respuesta. 2. El estimador de volatilidad se define como donde el índice i representa el tiempo real en segundos. La respuesta se define como la volatilidad realizada en el siguiente minuto: Una vez más, la búsqueda de diferentes valores de alfa produce un alfa óptimo de 0,985 para el conjunto de datos dado. La figura 7 muestra un diagrama de dispersión del factor y la respuesta. 3. El estimador de regresión de comercio de pares se define como cuando el índice i representa el tiempo de cotización. El factor representa el valor de SPY relativo a SSO que es, si la cantidad es positiva, entonces SPY es relativamente barato y un comercio que es SPY largo es probable que sea rentable. La respuesta se define como el PNL en el siguiente minuto de un comercio que es largo una acción de SPY y acciones cortas de SSO: donde representa el precio de SPY 60 segundos después. La respuesta r i representa el PNL de la siguiente estrategia de largo-corto: Comprar 1 acción de SPY y vender acciones de SSO en el momento i. Salir de la posición después de 60 segundos. En el conjunto de datos analizados, el alfa óptimo resulta ser 0,996. La Figura 8 es un diagrama de dispersión del factor y la respuesta. Conclusión Los algoritmos one-pass en línea son fundamentales en el comercio de alta frecuencia, donde reciben grandes cantidades de datos cada microsegundo y deben ser capaces de actuar extremadamente rápido en los datos recibidos. Este artículo ha abordado tres problemas que enfrentan los algoritmos HFT: la estimación de un promedio de liquidez, que puede ser útil para determinar el tamaño de un pedido que es probable que ejecute con éxito en un intercambio electrónico particular una estimación de volatilidad en funcionamiento, lo que puede ayudar Cuantificar el riesgo a corto plazo de una posición y una regresión lineal en curso, que puede utilizarse en pares comerciales de activos relacionados. Los algoritmos one-pass en línea pueden ayudar a resolver cada uno de estos problemas. Referencias 1. Albers, S. 2003. Algoritmos en línea: una encuesta. Programación Matemática 97 (1-2): 3-26. 2. Astrom, A. Wittenmark, B. 1994. Adaptive Control, segunda edición. Addison Wesley. 3. Brown, R. G. 1956. Suavizado exponencial para predecir la demanda. Arthur D. Little Inc. p. 15 LOVE IT, HATE IT DEJEMOS SABER QUE JACOB LOVELESS es el CEO de Lucera y ex director de Comercio de Alta Frecuencia de Cantor Fitzgerald. El Sr. Loveless ha trabajado para los grupos de comercio de alta frecuencia y los intercambios durante los últimos 10 años en casi todos los activos electrónicos. Antes de una vida en finanzas, el Sr. Loveless era un contratista especial para el Departamento de Defensa de los Estados Unidos con un enfoque en el análisis heurístico de cosas que no pueden ser discutidas. Antes de eso, fue CTO y fundador de Data Scientific, pionero en análisis de sistemas distribuidos. SASHA STOIKOV es un asociado senior de investigación en Cornell Financial Engineering Manhattan (CFEM) y ex VP en el grupo de negociación de alta frecuencia en Cantor Fitzgerald. Ha trabajado como consultor en el Galleon Group y Morgan Stanley y fue instructor en el Courant Institute de NYU y en el departamento de Columbia IEOR. Tiene un Ph. D. De la Universidad de Texas y una licenciatura del MIT.